Un’intelligenza artificiale che legge la letteratura scientifica è ormai qualcosa di familiare. Più sorprendente è immaginare un sistema capace di decidere quale domanda biologica approfondire, proporre un esperimento, interpretarne i risultati e utilizzare ciò che ha appena scoperto per scegliere la prova successiva. Eppure è proprio questa la direzione imboccata da alcuni dei progetti più avanzati di AI applicata alla ricerca scientifica.
Alla Chalmers University of Technology, in Svezia, un gruppo di ricercatori ha sviluppato un sistema sperimentale capace di lavorare in un ciclo quasi autonomo sul lievito Saccharomyces cerevisiae, uno degli organismi modello più utilizzati in biologia. Il progetto combina modelli linguistici, ragionamento automatizzato e apparecchiature di laboratorio. L’intelligenza artificiale riceve informazioni sul genoma, sul metabolismo e sugli studi precedenti, individua questioni da approfondire, propone esperimenti e interpreta i risultati ottenuti. Lo studio è stato pubblicato sul Journal of the Royal Society Interface.
È un passaggio importante perché sposta l’AI da un ruolo prevalentemente analitico verso una partecipazione più attiva al metodo scientifico. Il sistema non si limita a classificare dati già disponibili: può utilizzare nuove evidenze per aggiornare le proprie ipotesi.
Qualcosa di simile sta accadendo nello sviluppo di proteine. In una serie di esperimenti resa pubblica da Anthropic nel 2026, alcuni modelli Claude sono stati utilizzati per progettare da zero piccole proteine capaci di legarsi a specifici bersagli biologici. La campagna ha riguardato 15 target e 1.320 progetti, producendo 354 proteine che hanno mostrato capacità di legame contro 14 bersagli. A seconda della configurazione, il tasso di successo dei progetti ha raggiunto valori compresi tra circa il 22% e il 35%, rispetto al 10-15% indicato come riferimento per campagne analoghe.
Risultati interessanti, ma che non significano che un algoritmo sia già in grado di inventare autonomamente una medicina pronta per i pazienti. Tra una proteina promettente e un farmaco utilizzabile esiste un percorso fatto di verifiche biologiche, tossicologia, sperimentazioni precliniche e studi clinici. Ed è proprio qui che emerge uno degli aspetti più interessanti della nuova corsa all’AI scientifica: accelerare una fase della ricerca non equivale automaticamente ad accelerare una cura.
Come può un’AI comportarsi come uno scienziato?
Può farlo collegando in un unico ciclo conoscenza scientifica, formulazione delle ipotesi, esperimenti e analisi dei risultati.
Il sistema sviluppato in Svezia lavora sul principio del cosiddetto “closed-loop laboratory”, cioè un laboratorio a ciclo chiuso. Una volta formulata un’ipotesi, viene indicato un esperimento per verificarla. Il risultato torna quindi al sistema, che lo analizza e decide come procedere.
L’idea ha radici precedenti all’attuale boom dei modelli linguistici. Il professor Ross King aveva già sviluppato robot-scienziati chiamati Adam ed Eve. Quest’ultimo era stato progettato specificamente per applicazioni legate alla scoperta di farmaci. Le nuove tecnologie linguistiche permettono ora di aggiungere capacità di ragionamento e gestione di grandi quantità di conoscenza scientifica.
L’obiettivo dichiarato dai ricercatori non è eliminare lo scienziato umano. Le persone rimangono decisive per stabilire le priorità, valutare la rilevanza delle scoperte e garantire il controllo etico.
L’AI può davvero progettare parti di un futuro farmaco?
Sì, almeno nelle primissime fasi della ricerca. Uno degli esempi più concreti riguarda i protein binder, piccole proteine progettate per legarsi a un bersaglio specifico.
Il legame molecolare è fondamentale per numerosi medicinali: una sostanza può, per esempio, bloccare una proteina coinvolta in una malattia oppure modificarne l’attività.
Durante gli esperimenti di Anthropic, l’AI ha orchestrato diversi strumenti specializzati di progettazione e previsione strutturale. Per ciascun bersaglio sono stati richiesti 30 possibili binder, successivamente prodotti e verificati in laboratorio da aziende esterne.
Uno dei test ha riguardato anche TNFα, proteina coinvolta nei processi infiammatori e già bersaglio di importanti terapie. Un modello è riuscito a generare binder capaci di interagire con TNFα umano e con le corrispondenti proteine di altre specie utilizzate nella ricerca.
Il risultato resta però un punto di partenza. Una molecola capace di legarsi correttamente a un bersaglio deve ancora superare numerosi controlli prima di poter diventare un candidato farmaco.
Quanto tempo può risparmiare l’intelligenza artificiale?
In alcuni compiti di laboratorio il risparmio può essere significativo. Un altro test ha riguardato l’analisi chimica attraverso dati NMR e LC-MS, tecniche utilizzate per verificare struttura e purezza delle molecole.
Un modello Claude ha elaborato i file grezzi rispettivamente in 23 e 19 minuti. Nella misurazione della purezza ha ottenuto un valore del 96,4%, quasi identico al 96,33% registrato dal laboratorio.
Il sistema ha inoltre individuato la necessità di un controllo sperimentale aggiuntivo e, dopo aver ricevuto nuovi dati, ha corretto una propria interpretazione iniziale.
È un esempio particolarmente significativo: l’AI può velocizzare procedure ripetitive e laboriose, lasciando agli specialisti più tempo per attività che richiedono esperienza, valutazione critica e decisioni scientifiche.
Qual è il rischio di rendere la ricerca troppo veloce?
Il problema principale è semplice: un’ipotesi sbagliata resta sbagliata anche quando viene analizzata molto più rapidamente.
La scoperta di un farmaco non dipende soltanto dalla capacità di progettare nuove molecole. Bisogna innanzitutto comprendere correttamente i meccanismi della malattia e identificare il bersaglio biologico giusto.
Un sistema estremamente efficiente potrebbe quindi generare centinaia di candidati contro un target che, alla prova dei fatti, non produce il beneficio terapeutico atteso. La velocità computazionale amplifica tanto le buone decisioni quanto gli errori di partenza.
Per questo la verifica sperimentale rimane centrale. Ogni previsione deve confrontarsi con la biologia reale, prima in laboratorio e successivamente, quando appropriato, attraverso il percorso regolamentato degli studi clinici.
Il laboratorio del futuro funzionerà senza ricercatori?
Lo scenario più realistico è quello di laboratori sempre più automatizzati ma supervisionati da persone.
L’AI può analizzare quantità di informazioni difficili da gestire manualmente, confrontare migliaia di possibilità e suggerire rapidamente esperimenti. Robot e strumenti automatizzati possono eseguire una parte delle verifiche. Gli scienziati restano però responsabili delle domande da porre, dell’interpretazione generale dei risultati e delle conseguenze delle decisioni.
La curiosità più interessante, quindi, non è chiedersi quando una macchina sostituirà uno scienziato. È osservare come stia cambiando il suo lavoro. Se questi sistemi continueranno a migliorare, il ricercatore potrebbe dedicare sempre meno tempo alle procedure ripetitive e sempre più tempo a scegliere le domande scientifiche che vale davvero la pena porre.
